Am PROSET-Forschungsprojekt arbeiteten die TU München, die ETH Zürich und b.telligent für insgesamt drei Jahre, von Februar 2011 bis Februar 2014. Im Mittelpunkt standen Fragestellungen, für deren Bearbeitung im gewöhnlichen Arbeitsalltag meist keine Zeit bleibt. Dabei werden oftmals Fragen behandelt, die nicht nur für die Praxis relevant sind, sondern auch neue Erkenntnisse für die Forschung ans Licht bringen. Im PROSET-Projekt haben wir uns der Frage der Produktivitätssteigerung durch Service Experience Management gewidmet.
Table of Contents
Verbindung von Forschung und Praxis - die Kooperation mit o2
Um für die Wissenschaft und Wirtschaft interessante Fragestellungen bearbeiten und erschließen zu können, ist es zunächst notwendig, "echte Daten" zu analysieren. Diese für das Projekt PROSET relevanten und echten Daten stellte das Telekommunikationsunternehmen o2 zur Verfügung, das wir erfolgreich als Praxispartner gewinnen konnten. Für die von o2 bereitgestellten anonymisierten kunden- und transaktionsbezogenen Daten erhielt der Praxispartner im Gegenzug wertvolle Einsichten in das eigene Customer Experience Management sowie einen einmaligen, objektiven Einblick in die Customer-Relationship-Management-Prozesse bzw. in das Zusammenspiel von Kontaktkanal und Kundenwert im Geschäftsmodell.
Ein Forschungsprojekt, zwei Abschlussarbeiten und viele interessante Themen
Die Kooperation mit der Telefónica Germany GmbH startete im Februar 2013. Nach einer circa zweimonatigen Voranalysephase wurde mit der Bearbeitung der Forschungsfragen begonnen.
Bearbeitet wurden folgende Themen:
Erfolgsfaktoren im Cross- und Up-Selling in eingehenden Call-Center-Anrufen
Auswirkung von Cross-Selling-Strategien auf den Erfolg des Call-Centers
Customer Experience Management im Einsatz für Kundenbindung und Rückgewinnung
Im Rahmen des Projekts entstanden zwei Abschlussarbeiten an der TU München.
Nach einem Jahr gelungener Kooperation wurde das Teilprojekt im Februar 2014 erfolgreich abgeschlossen. Die Ergebnisse des Forschungsprojekts werden mit der Unterstützung unseres Medienpartners Call Center Verband in einer Gesamtveröffentlichung voraussichtlich im Juli 2014 publiziert.
Kurzgefasst
Was ist PROSET:
Forschung auf höchstem Niveau durch die Kooperation mit der TU München und der ETH Zürich
Professionelle Durchführung der Analysen durch die langjährige Expertise von b.telligent
Praxisrelevante Themen dank der Kooperation mit o2
Gefördert wurde das Projekt vom Bundesministerium für Bildung und Forschung, vom Projektträger im DLR (Deutsches Zentrum für Luft und Raumfahrt) sowie von der strategischen Partnerschaft "Produktivität von Dienstleistungen".
An dieser Stelle möchte b.telligent noch einen herzlichen Dank an Prof. Dr. Florian von Wangenheim von der ETH Zürich und Prof. Dr. Rainer Kolisch von der TU München sowie an die vielen hilfsbereiten Ansprechpartner von o2 für die gemeinsame Durchführung des Projekts aussprechen!
Wer ist b.telligent?
Du willst den IoT Core durch eine Multi-Cloud-Lösung ersetzen und die Vorteile weiterer IoT-Services von Azure oder Amazon Web Services nutzen? Dann melde Dich bei uns und wir unterstützen Dich bei der Umsetzung mit unserer Expertise und dem b.telligent Partnernetzwerk.
Neuronale Netze werden erfolgreich auf so ziemlich jeden Datentyp angewandt: Bilder, Audio, Texte, Videos, Graphen usw. Nur wenn es um Tabellendaten geht, sind baumbasierte Ensembles wie Random Forests und Gradient Boosted Trees immer noch sehr viel verbreiteter. Wenn man diese erfolgreichen Klassiker durch neuronale Netze ersetzen will, dürfte Ensemble Learning immer noch eine Schlüsselidee sein. Dieser Blogbeitrag erklärt, warum das so ist. Dazu gibt’s ein Notebook mit den praktischen Details.
Azure AI Search, Microsofts serverloses Angebot für das R in RAG, hat seine eigene Skalierungslogik. Sie verbirgt viel von der Komplexität serverbasierter Lösungen, erfordert aber spezifische Kenntnisse.
Polars, der in Rust geschriebene Pandas-Herausforderer, sorgt für erhebliche Beschleunigung nicht nur in der Ausführung des Codes, sondern auch in der Entwicklung. Pandas krankt seit jeher an einer API, die an vielen Stellen „historisch gewachsen“ ist. Ganz anders Polars: Eine API, die von Anfang an auf logische Konsistenz ausgelegt ist und deren Stringenz mit jedem Release sorgfältig gepflegt wird (im Zweifelsfall auch unter Verlusten an Rückwärtskompatibilität), sorgt für eine erheblich schnellere Entwicklung. An vielen Stellen, wo man bisher Pandas eingesetzt hat, kann man es problem los durch Polars ersetzen: In Ibis-Analytics-Projekten, und natürlich einfach für die tägliche Datenaufbereitung aller Art. Gut macht sich die überlegene Performance auch in interaktiven Umfeldern wie PowerBI .
